import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
dataset = pd.read_excel("./spider_tac_1.xlsx", header=1)
dataset
| Unnamed: 0 | Unnamed: 1 | OIB values | OIB | BASALT | BASALT.1 | BASALT.2 | BASALT.3 | BASALT.4 | BASALT.5 | ... | EG-16 | T6-7B rgf Duncker 1991 | 89sb100 | QBW201 Thole menzies 1991 | Lm91-101 | Lm91-103 | CR7-125 | CR7-79 | SM27 Simcoe | SH270 Shasta | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | Cs | 0.0079 | 0.387 | 48.987342 | NaN | 0.19 | 0.40 | NaN | NaN | 0.64 | ... | NaN | NaN | NaN | NaN | NaN | NaN | 1.47 | 0.12 | 0.359 | 0.202 |
| 1 | Rb | 0.6350 | 31.000 | 48.818898 | 12.00 | 10.00 | 15.00 | 14.00 | 23.00 | 37.00 | ... | 13.00 | 16.00 | 26.00 | 14.00 | 14.00 | 9.70 | 3.97 | 10.90 | 37.600 | 4.700 |
| 2 | Ba | 6.9890 | 350.000 | 50.078695 | 201.00 | 143.00 | 335.00 | 208.00 | 315.00 | 407.00 | ... | 264.00 | 416.00 | 797.00 | 153.00 | 398.00 | 181.00 | 329.00 | 566.00 | 672.000 | 122.000 |
| 3 | Th | 0.0850 | 4.000 | 47.058824 | NaN | 1.07 | 2.73 | 1.89 | NaN | 3.36 | ... | 3.50 | NaN | 13.65 | 2.20 | 2.20 | 1.14 | 3.53 | 1.23 | 3.960 | 0.640 |
| 4 | U | 0.0210 | 1.020 | 48.571429 | NaN | 0.30 | NaN | NaN | NaN | NaN | ... | 0.70 | 0.60 | 2.99 | NaN | 0.80 | 0.80 | 1.42 | 0.30 | 1.310 | NaN |
| 5 | Nb | 0.7130 | 48.000 | 67.321178 | 8.60 | 8.30 | 13.70 | 10.80 | 16.00 | 19.80 | ... | 12.00 | 16.00 | 58.00 | 10.00 | 11.00 | NaN | 17.01 | 14.85 | 57.000 | 2.500 |
| 6 | Ta | 0.0410 | 2.700 | 65.853659 | NaN | 0.37 | 0.81 | 0.86 | NaN | 2.39 | ... | 0.90 | NaN | 2.51 | 0.57 | 0.50 | 0.13 | 1.21 | 3.00 | 3.770 | 0.188 |
| 7 | K | 0.0300 | 1.445 | 48.166667 | 0.47 | 0.47 | 0.76 | 0.56 | 0.94 | 1.14 | ... | 0.99 | 1.00 | 1.04 | 0.53 | 0.97 | 0.80 | 1.71 | 0.82 | 2.250 | 0.280 |
| 8 | La | 0.6870 | 37.000 | 53.857351 | 10.50 | 10.10 | 17.20 | 12.70 | 19.30 | 21.70 | ... | 17.80 | 20.10 | 97.00 | 23.00 | 18.20 | 7.53 | 26.30 | 20.82 | 40.900 | 4.480 |
| 9 | Ce | 1.7750 | 80.000 | 45.070423 | 22.60 | 22.30 | 39.50 | 27.50 | 46.20 | 48.30 | ... | 37.90 | 44.00 | 201.00 | NaN | 41.00 | 16.04 | 55.37 | 43.22 | 86.530 | 11.850 |
| 10 | Pb | 0.0710 | 3.200 | 45.070423 | 6.00 | 2.00 | 3.00 | 6.00 | 3.00 | 6.00 | ... | NaN | NaN | NaN | 4.20 | 4.90 | 3.40 | 7.79 | 3.33 | 2.060 | 1.790 |
| 11 | Sr | 21.1000 | 660.000 | 31.279621 | 284.00 | 266.00 | 308.00 | 235.00 | 295.00 | 261.00 | ... | 503.00 | 431.00 | 1214.00 | 253.00 | 564.00 | 758.00 | 391.00 | 319.00 | 995.000 | 232.000 |
| 12 | P | 0.0218 | 0.619 | 28.394495 | 0.22 | 0.23 | 0.30 | 0.28 | 0.36 | 0.45 | ... | 0.32 | 0.30 | 1.18 | 0.17 | 0.35 | 0.12 | 0.43 | 0.62 | 0.900 | 0.110 |
| 13 | Nd | 1.3540 | 38.500 | 28.434269 | 16.10 | 15.10 | 23.60 | 19.50 | 26.90 | 32.70 | ... | 17.90 | 21.00 | 90.00 | NaN | 21.00 | 9.32 | 30.67 | 25.91 | 42.960 | 9.090 |
| 14 | Sm | 0.4440 | 10.000 | 22.522523 | 4.20 | 4.83 | 6.08 | 5.08 | 6.72 | 8.12 | ... | 3.84 | 4.80 | 14.84 | 4.30 | 4.40 | 2.12 | 8.56 | 6.56 | 8.450 | 2.770 |
| 15 | Zr | 11.2000 | 280.000 | 25.000000 | 125.00 | 119.00 | 160.00 | 141.00 | 179.00 | 223.00 | ... | 133.00 | 138.00 | 164.00 | 99.00 | 135.00 | 100.00 | 210.00 | 156.00 | 275.000 | 84.000 |
| 16 | Hf | 0.3090 | 7.800 | 25.242718 | NaN | 3.00 | 4.20 | 3.90 | NaN | 6.20 | ... | 2.90 | NaN | 4.02 | 2.70 | 3.20 | 1.83 | 5.85 | 3.74 | 5.360 | 1.900 |
| 17 | Eu | 0.1680 | 3.000 | 17.857143 | 1.46 | 1.69 | 1.90 | 1.71 | 2.09 | 2.47 | ... | 1.34 | 1.63 | 3.99 | 1.10 | 1.44 | 0.73 | 2.29 | 2.33 | 2.760 | 1.050 |
| 18 | Ti | 0.2168 | 2.870 | 13.238007 | 1.56 | 1.68 | 1.99 | 1.87 | 2.37 | 3.00 | ... | 1.47 | 1.40 | 1.92 | 1.32 | 1.14 | 0.52 | 2.53 | 2.17 | 2.280 | 1.010 |
| 19 | Tb | 0.1080 | 1.050 | 9.722222 | NaN | 0.98 | 0.82 | NaN | NaN | 1.30 | ... | NaN | NaN | 1.70 | NaN | NaN | NaN | 1.31 | 1.10 | NaN | NaN |
| 20 | Y | 4.5500 | 29.000 | 6.373626 | 32.00 | 32.00 | 24.00 | 38.00 | 39.00 | 50.00 | ... | 27.00 | 28.00 | 31.00 | 22.00 | 18.00 | 17.00 | 38.76 | 35.48 | 31.000 | 23.000 |
| 21 | Yb | 0.4930 | 2.160 | 4.381339 | 2.82 | 2.97 | 3.77 | 3.44 | 3.60 | 4.44 | ... | 2.24 | 2.23 | 2.12 | 2.00 | 1.80 | 0.98 | 3.43 | 3.06 | 1.930 | 2.500 |
| 22 | Lu | 0.0740 | 0.300 | 4.054054 | 0.46 | 0.47 | 0.53 | 0.54 | 0.57 | 0.73 | ... | NaN | 0.32 | 0.31 | 0.28 | 0.28 | 0.16 | 0.52 | 0.55 | NaN | NaN |
23 rows × 89 columns
sample_names = pd.read_excel("./spider_tac_1.xlsx", header=None)
name_row = sample_names.loc[0,4:].reset_index(drop=True)
attribute_row = sample_names.loc[1,4:].reset_index(drop=True)
dataset.columns = ["Elements", "Primitive Mantle"] + list(dataset.columns[2:])
dataset
| Elements | Primitive Mantle | OIB values | OIB | BASALT | BASALT.1 | BASALT.2 | BASALT.3 | BASALT.4 | BASALT.5 | ... | EG-16 | T6-7B rgf Duncker 1991 | 89sb100 | QBW201 Thole menzies 1991 | Lm91-101 | Lm91-103 | CR7-125 | CR7-79 | SM27 Simcoe | SH270 Shasta | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | Cs | 0.0079 | 0.387 | 48.987342 | NaN | 0.19 | 0.40 | NaN | NaN | 0.64 | ... | NaN | NaN | NaN | NaN | NaN | NaN | 1.47 | 0.12 | 0.359 | 0.202 |
| 1 | Rb | 0.6350 | 31.000 | 48.818898 | 12.00 | 10.00 | 15.00 | 14.00 | 23.00 | 37.00 | ... | 13.00 | 16.00 | 26.00 | 14.00 | 14.00 | 9.70 | 3.97 | 10.90 | 37.600 | 4.700 |
| 2 | Ba | 6.9890 | 350.000 | 50.078695 | 201.00 | 143.00 | 335.00 | 208.00 | 315.00 | 407.00 | ... | 264.00 | 416.00 | 797.00 | 153.00 | 398.00 | 181.00 | 329.00 | 566.00 | 672.000 | 122.000 |
| 3 | Th | 0.0850 | 4.000 | 47.058824 | NaN | 1.07 | 2.73 | 1.89 | NaN | 3.36 | ... | 3.50 | NaN | 13.65 | 2.20 | 2.20 | 1.14 | 3.53 | 1.23 | 3.960 | 0.640 |
| 4 | U | 0.0210 | 1.020 | 48.571429 | NaN | 0.30 | NaN | NaN | NaN | NaN | ... | 0.70 | 0.60 | 2.99 | NaN | 0.80 | 0.80 | 1.42 | 0.30 | 1.310 | NaN |
| 5 | Nb | 0.7130 | 48.000 | 67.321178 | 8.60 | 8.30 | 13.70 | 10.80 | 16.00 | 19.80 | ... | 12.00 | 16.00 | 58.00 | 10.00 | 11.00 | NaN | 17.01 | 14.85 | 57.000 | 2.500 |
| 6 | Ta | 0.0410 | 2.700 | 65.853659 | NaN | 0.37 | 0.81 | 0.86 | NaN | 2.39 | ... | 0.90 | NaN | 2.51 | 0.57 | 0.50 | 0.13 | 1.21 | 3.00 | 3.770 | 0.188 |
| 7 | K | 0.0300 | 1.445 | 48.166667 | 0.47 | 0.47 | 0.76 | 0.56 | 0.94 | 1.14 | ... | 0.99 | 1.00 | 1.04 | 0.53 | 0.97 | 0.80 | 1.71 | 0.82 | 2.250 | 0.280 |
| 8 | La | 0.6870 | 37.000 | 53.857351 | 10.50 | 10.10 | 17.20 | 12.70 | 19.30 | 21.70 | ... | 17.80 | 20.10 | 97.00 | 23.00 | 18.20 | 7.53 | 26.30 | 20.82 | 40.900 | 4.480 |
| 9 | Ce | 1.7750 | 80.000 | 45.070423 | 22.60 | 22.30 | 39.50 | 27.50 | 46.20 | 48.30 | ... | 37.90 | 44.00 | 201.00 | NaN | 41.00 | 16.04 | 55.37 | 43.22 | 86.530 | 11.850 |
| 10 | Pb | 0.0710 | 3.200 | 45.070423 | 6.00 | 2.00 | 3.00 | 6.00 | 3.00 | 6.00 | ... | NaN | NaN | NaN | 4.20 | 4.90 | 3.40 | 7.79 | 3.33 | 2.060 | 1.790 |
| 11 | Sr | 21.1000 | 660.000 | 31.279621 | 284.00 | 266.00 | 308.00 | 235.00 | 295.00 | 261.00 | ... | 503.00 | 431.00 | 1214.00 | 253.00 | 564.00 | 758.00 | 391.00 | 319.00 | 995.000 | 232.000 |
| 12 | P | 0.0218 | 0.619 | 28.394495 | 0.22 | 0.23 | 0.30 | 0.28 | 0.36 | 0.45 | ... | 0.32 | 0.30 | 1.18 | 0.17 | 0.35 | 0.12 | 0.43 | 0.62 | 0.900 | 0.110 |
| 13 | Nd | 1.3540 | 38.500 | 28.434269 | 16.10 | 15.10 | 23.60 | 19.50 | 26.90 | 32.70 | ... | 17.90 | 21.00 | 90.00 | NaN | 21.00 | 9.32 | 30.67 | 25.91 | 42.960 | 9.090 |
| 14 | Sm | 0.4440 | 10.000 | 22.522523 | 4.20 | 4.83 | 6.08 | 5.08 | 6.72 | 8.12 | ... | 3.84 | 4.80 | 14.84 | 4.30 | 4.40 | 2.12 | 8.56 | 6.56 | 8.450 | 2.770 |
| 15 | Zr | 11.2000 | 280.000 | 25.000000 | 125.00 | 119.00 | 160.00 | 141.00 | 179.00 | 223.00 | ... | 133.00 | 138.00 | 164.00 | 99.00 | 135.00 | 100.00 | 210.00 | 156.00 | 275.000 | 84.000 |
| 16 | Hf | 0.3090 | 7.800 | 25.242718 | NaN | 3.00 | 4.20 | 3.90 | NaN | 6.20 | ... | 2.90 | NaN | 4.02 | 2.70 | 3.20 | 1.83 | 5.85 | 3.74 | 5.360 | 1.900 |
| 17 | Eu | 0.1680 | 3.000 | 17.857143 | 1.46 | 1.69 | 1.90 | 1.71 | 2.09 | 2.47 | ... | 1.34 | 1.63 | 3.99 | 1.10 | 1.44 | 0.73 | 2.29 | 2.33 | 2.760 | 1.050 |
| 18 | Ti | 0.2168 | 2.870 | 13.238007 | 1.56 | 1.68 | 1.99 | 1.87 | 2.37 | 3.00 | ... | 1.47 | 1.40 | 1.92 | 1.32 | 1.14 | 0.52 | 2.53 | 2.17 | 2.280 | 1.010 |
| 19 | Tb | 0.1080 | 1.050 | 9.722222 | NaN | 0.98 | 0.82 | NaN | NaN | 1.30 | ... | NaN | NaN | 1.70 | NaN | NaN | NaN | 1.31 | 1.10 | NaN | NaN |
| 20 | Y | 4.5500 | 29.000 | 6.373626 | 32.00 | 32.00 | 24.00 | 38.00 | 39.00 | 50.00 | ... | 27.00 | 28.00 | 31.00 | 22.00 | 18.00 | 17.00 | 38.76 | 35.48 | 31.000 | 23.000 |
| 21 | Yb | 0.4930 | 2.160 | 4.381339 | 2.82 | 2.97 | 3.77 | 3.44 | 3.60 | 4.44 | ... | 2.24 | 2.23 | 2.12 | 2.00 | 1.80 | 0.98 | 3.43 | 3.06 | 1.930 | 2.500 |
| 22 | Lu | 0.0740 | 0.300 | 4.054054 | 0.46 | 0.47 | 0.53 | 0.54 | 0.57 | 0.73 | ... | NaN | 0.32 | 0.31 | 0.28 | 0.28 | 0.16 | 0.52 | 0.55 | NaN | NaN |
23 rows × 89 columns
dataset["Elements"]
0 Cs 1 Rb 2 Ba 3 Th 4 U 5 Nb 6 Ta 7 K 8 La 9 Ce 10 Pb 11 Sr 12 P 13 Nd 14 Sm 15 Zr 16 Hf 17 Eu 18 Ti 19 Tb 20 Y 21 Yb 22 Lu Name: Elements, dtype: object
pr_mantle = dataset.iloc[:,1]
pr_mantle
0 0.0079 1 0.6350 2 6.9890 3 0.0850 4 0.0210 5 0.7130 6 0.0410 7 0.0300 8 0.6870 9 1.7750 10 0.0710 11 21.1000 12 0.0218 13 1.3540 14 0.4440 15 11.2000 16 0.3090 17 0.1680 18 0.2168 19 0.1080 20 4.5500 21 0.4930 22 0.0740 Name: Primitive Mantle, dtype: float64
N = dataset.columns.size
N
89
normalised_matrix = []
for i in range(4, N):
calculated = dataset.iloc[:,i] / pr_mantle
normalised_matrix.append(calculated)
normalised_df = pd.DataFrame(normalised_matrix).transpose()
normalised_df
| 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | ... | 75 | 76 | 77 | 78 | 79 | 80 | 81 | 82 | 83 | 84 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | NaN | 24.050633 | 50.632911 | NaN | NaN | 81.012658 | 51.898734 | NaN | 81.012658 | 49.367089 | ... | NaN | NaN | NaN | NaN | NaN | NaN | 186.075949 | 15.189873 | 45.443038 | 25.569620 |
| 1 | 18.897638 | 15.748031 | 23.622047 | 22.047244 | 36.220472 | 58.267717 | 45.669291 | 39.370079 | 44.094488 | 42.519685 | ... | 20.472441 | 25.196850 | 40.944882 | 22.047244 | 22.047244 | 15.275591 | 6.251969 | 17.165354 | 59.212598 | 7.401575 |
| 2 | 28.759479 | 20.460724 | 47.932465 | 29.761053 | 45.070826 | 58.234368 | 61.239090 | 50.937187 | 61.239090 | 56.946630 | ... | 37.773644 | 59.522106 | 114.036343 | 21.891544 | 56.946630 | 25.897839 | 47.073973 | 80.984404 | 96.151095 | 17.456002 |
| 3 | NaN | 12.588235 | 32.117647 | 22.235294 | NaN | 39.529412 | 32.588235 | NaN | 35.294118 | 37.764706 | ... | 41.176471 | NaN | 160.588235 | 25.882353 | 25.882353 | 13.411765 | 41.529412 | 14.470588 | 46.588235 | 7.529412 |
| 4 | NaN | 14.285714 | NaN | NaN | NaN | NaN | 42.857143 | NaN | 47.619048 | NaN | ... | 33.333333 | 28.571429 | 142.380952 | NaN | 38.095238 | 38.095238 | 67.619048 | 14.285714 | 62.380952 | NaN |
| 5 | 12.061711 | 11.640954 | 19.214586 | 15.147265 | 22.440393 | 27.769986 | 25.245442 | 24.964937 | 29.733520 | 24.123422 | ... | 16.830295 | 22.440393 | 81.346424 | 14.025245 | 15.427770 | NaN | 23.856942 | 20.827489 | 79.943899 | 3.506311 |
| 6 | NaN | 9.024390 | 19.756098 | 20.975610 | NaN | 58.292683 | 18.536585 | NaN | 20.487805 | 24.634146 | ... | 21.951220 | NaN | 61.219512 | 13.902439 | 12.195122 | 3.170732 | 29.512195 | 73.170732 | 91.951220 | 4.585366 |
| 7 | 15.666667 | 15.666667 | 25.333333 | 18.666667 | 31.333333 | 38.000000 | 41.666667 | 33.333333 | 37.666667 | 37.000000 | ... | 33.000000 | 33.333333 | 34.666667 | 17.666667 | 32.333333 | 26.666667 | 57.000000 | 27.333333 | 75.000000 | 9.333333 |
| 8 | 15.283843 | 14.701601 | 25.036390 | 18.486172 | 28.093159 | 31.586608 | 33.478894 | 24.890830 | 36.826783 | 30.858806 | ... | 25.909753 | 29.257642 | 141.193595 | 33.478894 | 26.491994 | 10.960699 | 38.282387 | 30.305677 | 59.534207 | 6.521106 |
| 9 | 12.732394 | 12.563380 | 22.253521 | 15.492958 | 26.028169 | 27.211268 | 28.056338 | 21.633803 | 30.591549 | 28.169014 | ... | 21.352113 | 24.788732 | 113.239437 | NaN | 23.098592 | 9.036620 | 31.194366 | 24.349296 | 48.749296 | 6.676056 |
| 10 | 84.507042 | 28.169014 | 42.253521 | 84.507042 | 42.253521 | 84.507042 | 73.239437 | 56.338028 | 77.464789 | 92.957746 | ... | NaN | NaN | NaN | 59.154930 | 69.014085 | 47.887324 | 109.718310 | 46.901408 | 29.014085 | 25.211268 |
| 11 | 13.459716 | 12.606635 | 14.597156 | 11.137441 | 13.981043 | 12.369668 | 12.748815 | 17.345972 | 16.492891 | 17.251185 | ... | 23.838863 | 20.426540 | 57.535545 | 11.990521 | 26.729858 | 35.924171 | 18.530806 | 15.118483 | 47.156398 | 10.995261 |
| 12 | 10.091743 | 10.550459 | 13.761468 | 12.844037 | 16.513761 | 20.642202 | 19.724771 | 16.972477 | 21.100917 | 18.807339 | ... | 14.678899 | 13.761468 | 54.128440 | 7.798165 | 16.055046 | 5.504587 | 19.724771 | 28.440367 | 41.284404 | 5.045872 |
| 13 | 11.890694 | 11.152142 | 17.429838 | 14.401773 | 19.867061 | 24.150665 | 22.451994 | 19.719350 | 23.855244 | 23.338257 | ... | 13.220089 | 15.509601 | 66.469719 | NaN | 15.509601 | 6.883309 | 22.651403 | 19.135894 | 31.728213 | 6.713442 |
| 14 | 9.459459 | 10.878378 | 13.693694 | 11.441441 | 15.135135 | 18.288288 | 19.324324 | 14.662162 | 19.684685 | 17.162162 | ... | 8.648649 | 10.810811 | 33.423423 | 9.684685 | 9.909910 | 4.774775 | 19.279279 | 14.774775 | 19.031532 | 6.238739 |
| 15 | 11.160714 | 10.625000 | 14.285714 | 12.589286 | 15.982143 | 19.910714 | 20.357143 | 16.428571 | 20.267857 | 17.946429 | ... | 11.875000 | 12.321429 | 14.642857 | 8.839286 | 12.053571 | 8.928571 | 18.750000 | 13.928571 | 24.553571 | 7.500000 |
| 16 | NaN | 9.708738 | 13.592233 | 12.621359 | NaN | 20.064725 | 33.656958 | NaN | 8.414239 | 16.828479 | ... | 9.385113 | NaN | 13.009709 | 8.737864 | 10.355987 | 5.922330 | 18.932039 | 12.103560 | 17.346278 | 6.148867 |
| 17 | 8.690476 | 10.059524 | 11.309524 | 10.178571 | 12.440476 | 14.702381 | 15.297619 | 12.440476 | 15.654762 | 14.047619 | ... | 7.976190 | 9.702381 | 23.750000 | 6.547619 | 8.571429 | 4.345238 | 13.630952 | 13.869048 | 16.428571 | 6.250000 |
| 18 | 7.195572 | 7.749077 | 9.178967 | 8.625461 | 10.931734 | 13.837638 | 13.745387 | 11.300738 | 13.422509 | 12.084871 | ... | 6.780443 | 6.457565 | 8.856089 | 6.088561 | 5.258303 | 2.398524 | 11.669742 | 10.009225 | 10.516605 | 4.658672 |
| 19 | NaN | 9.074074 | 7.592593 | NaN | NaN | 12.037037 | 14.629630 | NaN | 13.425926 | 8.518519 | ... | NaN | NaN | 15.740741 | NaN | NaN | NaN | 12.129630 | 10.185185 | NaN | NaN |
| 20 | 7.032967 | 7.032967 | 5.274725 | 8.351648 | 8.571429 | 10.989011 | 10.989011 | 7.912088 | 9.450549 | 9.010989 | ... | 5.934066 | 6.153846 | 6.813187 | 4.835165 | 3.956044 | 3.736264 | 8.518681 | 7.797802 | 6.813187 | 5.054945 |
| 21 | 5.720081 | 6.024341 | 7.647059 | 6.977688 | 7.302231 | 9.006085 | 9.269777 | 6.105477 | 7.403651 | 7.728195 | ... | 4.543611 | 4.523327 | 4.300203 | 4.056795 | 3.651116 | 1.987830 | 6.957404 | 6.206897 | 3.914807 | 5.070994 |
| 22 | 6.216216 | 6.351351 | 7.162162 | 7.297297 | 7.702703 | 9.864865 | 9.729730 | 6.486486 | 7.567568 | 7.702703 | ... | NaN | 4.324324 | 4.189189 | 3.783784 | 3.783784 | 2.162162 | 7.027027 | 7.432432 | NaN | NaN |
23 rows × 85 columns
name_row
0 AB2BUK-1
1 AB2DB-2
2 AB3ADB-4
3 AB4BUK-5
4 AB5DB-14
...
80 Borg1997
81 Camp 2003
82 Camp 2003
83 Bacon 1997
84 Bacon 1997
Name: 0, Length: 85, dtype: object
normalised_df.columns.size, name_row.size, attribute_row.size
(85, 85, 85)
for i in range(normalised_df.columns.size):
plt.figure(figsize=(10,6))
plt.plot(dataset["Elements"], normalised_df[i], label=f"{name_row[i]}")
plt.plot(dataset["Elements"], dataset.iloc[:,3], color="green", label="OIB") #OIB
plt.title(f"sample name: {name_row[i]}, sample attribute: {attribute_row[i]}")
plt.yscale('log')
plt.ylim(1e0,1e3)
plt.legend()
plt.show()